Knopinfo voor maximale waarde met Adobe Experience Platform Data Distiller - OS656

Deze pagina bevat de voorbeelddataset voor u om toe te passen wat u in Adobe Summit zitting "OS656 - Hoogste Tips leerde om Waarde met de Distiller van Gegevens van Adobe Experience Platform te maximaliseren". U leert hoe u de implementatie van Adobe Real-Time Customer Data Platform en Journey Optimizer kunt versnellen door de gegevens van het profiel Real-Time te verbeteren. Deze verrijking maakt gebruik van diepgaande inzichten in gedragspatronen van klanten om een publiek te maken voor het leveren en optimaliseren van ervaringen.

Door het casestudy van de Luma, zult u gebruikersgedragsgegevens analyseren en a Recency, Frequentie, Monetair (RFM) model-een marketing analysetechniek creëren voor klantensegmentatie die op aankooppatronen wordt gebaseerd.

Voorwaarde

Om dit gebruiksgeval uit te voeren, moet uw instantie van Adobe Experience Platform voor ​ Gegevens Distiller ​ worden vergunning gegeven. Neem contact op met uw Adobe-vertegenwoordiger voor meer informatie.

U moet ook identiteitskaart van de huurder van uw organisatie kennen, die voor het uitvoeren van vragen wordt vereist. Uw huurder-id is het eerste deel van de URL wanneer u zich aanmeldt bij Experience Platform, dat direct na het symbool @ wordt weergegeven.

Bijvoorbeeld in de volgende URL:

https://experience.adobe.com/#/@pfreportingonprod/sname:prod/platform/home

De huurder-id is pfreportingonprod .

Overzicht van het RFM-model rfm-overview

RFM, kort voor Recency ®, Frequency (F), en Monetair (M), is een gegevensgestuurde benadering van klantsegmentatie en -analyse. Deze methode evalueert drie belangrijke aspecten van klantengedrag: hoe recent een klant een aankoop maakte, hoe vaak zij, en hoeveel zij uitgeven. Door deze factoren te kwantificeren, kunnen de ondernemingen actionable inzichten in klantensegmenten bereiken en gerichte marketing strategieën ontwikkelen die beter aan individuele klantenbehoeften voldoen.

Begrijp klantengedrag met het RFM model understand-customer-behavior

Het RFM model segmenteert klanten die op transactioneel gedrag gebruikend drie zeer belangrijke parameters worden gebaseerd.

Door deze factoren te combineren, wijzen bedrijven aan elke klant numerieke scores toe (doorgaans op een schaal van 1 naar 4 ). Lagere scores duiden op gunstiger resultaten. Zo wordt een score van een klant 1 in alle categorieën als een van de beste beschouwd, wat recente activiteiten, hoge betrokkenheid en aanzienlijke uitgaven aantoont.

Voordelen en beperkingen van het RFM-model benefits-and-limitations

Elke techniek voor het maken van marketingmodellen heeft betrekking op voordelen en beperkingen. RFM-modellering is een waardevol instrument voor het begrijpen van het gedrag van klanten en het verfijnen van marketingstrategieën. Zijn voordelen omvatten het segmenteren van klanten om overseinen te personaliseren, opbrengst te optimaliseren, en reactiesnelheden, behoud, tevredenheid, en de Waarde van het Leven van de Klant (CLTV) te verbeteren.

RFM-modellering kent echter beperkingen. Het veronderstelt uniformiteit binnen segmenten die op recentie, frequentie, en monetaire waarde worden gebaseerd, die klantengedrag kan overdreven vereenvoudigen. In het model wordt ook een gelijk gewicht aan deze factoren toegewezen, waardoor de waarde van de klant mogelijk onjuist wordt weergegeven. Bovendien wordt er geen rekening gehouden met context, zoals productspecifieke kenmerken of klantvoorkeuren, die tot verkeerde interpretaties van aankoopgedrag kan leiden.

Een dynamisch SQL-publiek op basis van RFM-score opbouwen build-a-dynamic-rfm-audience

De volgende informatie biedt een overzicht op hoog niveau van de workflow voor het maken van gebruikers van RFM SQL die in deze zelfstudie wordt beschreven.

Voordat u de Luminantiestudie start, moet u een voorbeeldgegevensset invoeren. Eerst, ​ selecteer de verbinding om de luma_web_data.zip dataset plaatselijk ​ te downloaden. De voorbeelddataset is een CSV-bestand met een gecomprimeerde ZIP-indeling dat kan worden uitgelijnd met het gebruiksscenario. Decomprimeer dit ZIP-bestand met Adobe Acrobat of een programma voor het ophalen van vertrouwde bestanden, zoals het ingebouwde hulpprogramma van uw besturingssysteem. In de praktijk zou u doorgaans gegevens van Adobe Analytics, Adobe Commerce of Adobe Web/Mobile SDK betrekken.

Tijdens deze zelfstudie gebruikt u Data Distiller om relevante gebeurtenissen en velden op te halen in een gestandaardiseerde CSV-indeling. Het doel is alleen essentiële gebieden op te nemen en tegelijkertijd een uniforme gegevensstructuur te handhaven voor efficiëntie en gebruiksgemak.

Stap 1: De CSV-gegevens uploaden naar Experience Platform upload-csv-data

Voer de volgende stappen uit om een CSV-bestand te uploaden naar Adobe Experience Platform.

Een gegevensset maken van een CSV-bestand create-a-dataset

Selecteer in de gebruikersinterface van Experience Platform Datasets in de linkernavigatieregel, gevolgd door Create dataset . Selecteer vervolgens Create dataset from CSV file uit de beschikbare opties.

Het deelvenster Configure Dataset wordt weergegeven. Voer in het veld Name de naam van de gegevensset in als "luma_web_data" en selecteer Next .

Het deelvenster Add data wordt weergegeven. Sleep het CSV-bestand naar het vak Add data of selecteer Choose File om het bestand te zoeken en te uploaden.

Om meer over dit proces te leren, verwijs naar het ​ batch ingestion leerprogramma ​ en het ​ werkschema van de datasetverwezenlijking ​ in de gids van de Dataset UI.

Het uploaden controleren en voltooien review-and-complete-upload

Zodra het bestand is geüpload, wordt onder aan de gebruikersinterface een gegevensvoorbeeld weergegeven. Selecteer Finish om het uploaden te voltooien.

De weergave van de gegevenssetactiviteiten voor de gegevensset "luma_web_data" wordt weergegeven. Het handmatig uploaden van het CSV-bestand
wordt opgenomen als een batch en wordt geïdentificeerd door een Batch ID . In een deelvenster aan de rechterkant wordt de tabelnaam weergegeven als luma_web_data .

Nadat de gegevens zijn verwerkt, selecteert u Preview dataset in de rechterbovenhoek om een voorvertoning van de gegevensset weer te geven. Zo wordt de voorvertoning van de gegevensset weergegeven:

Schema-overwegingen schema-considerations

Een gestructureerd XDM-schema (bijvoorbeeld record-, gebeurtenis- of B2B-schema's) is niet vereist omdat de gegevens als een Raw CSV-bestand worden geïmporteerd. In plaats daarvan gebruikt de dataset een ad hoc schema.

Hoewel Data Distiller alle schematypen steunt, zal de definitieve dataset voor opname in het Real-Time Profiel van de Klant een Verslag XDM schema gebruiken.

Stap 2: Verbind met het datumpeer en verken beschikbare datasets connect-to-the-data-lake-and-explore-datasets

De volgende stap bestaat uit het verkennen van gegevens in het Adobe Experience Platform data Lake om nauwkeurigheid en integriteit te waarborgen. De gegevens moeten nauwkeurig en volledig zijn om zinvolle inzichten te produceren, maar de fouten, de inconsistenties, of de ontbrekende waarden kunnen voorkomen tijdens gegevensoverdrachten. Dit maakt gegevensverificatie en -exploratie essentieel.

Gebruik Data Distiller om de kwaliteit en volledigheid van gegevenssets te controleren door middel van verschillende bewerkingen. Om te bevestigen dat de gegevens tijdens inname correct zijn vertaald, voert u SELECT query's uit om de gegevens te inspecteren, te valideren en te analyseren. Dit proces helpt discrepanties, inconsistenties of ontbrekende informatie te identificeren en op te lossen.

Een basisverkenningsquery uitvoeren basic-exploration-queries

Selecteer in de gebruikersinterface van Adobe Experience Platform Queries in de linkernavigatieregel en selecteer vervolgens Create Query . De Query-editor wordt weergegeven.

Plak de volgende query in de editor en voer deze uit:

SELECT * FROM luma_web_data;

De resultaten van de query worden weergegeven onder de Query Editor op het tabblad Results . Selecteer View results als u de resultaten in een nieuw dialoogvenster wilt uitvouwen. De resultaten zien er ongeveer hetzelfde uit als de onderstaande afbeelding.

Zie de ​ algemene begeleiding voor het document van de vraaguitvoering ​ voor meer informatie.

Focus op orders en sluit geannuleerde transacties uit focus-orders-exclude-cancelled

Het RFM-model evalueert de frequentie, frequentie en monetaire waarde op basis van afgeronde aankopen. Niet-transactionele gebeurtenissen, zoals paginaweergaven en uitcheckinteracties, worden uitgesloten van de analyse. Bovendien moeten geannuleerde orders worden verwijderd, omdat ze niet bijdragen aan geldige RFM-berekeningen en een andere verwerkingsmethode vereisen.

Om de nauwkeurigheid te waarborgen:

De volgende vragen tonen aan hoe te om geannuleerde orden van de dataset te identificeren en uit te sluiten.

Met deze eerste query worden alle aanschaf-id's geselecteerd die niet gelijk zijn aan null en worden deze met GROUP BY geaggregeerd. De resulterende aankoop-id's moeten van de gegevensset worden uitgesloten.

CREATE VIEW orders_cancelled
AS
  SELECT purchase_id
  FROM   luma_web_data
  WHERE  event_type IN ( 'order', 'cancellation' )
         AND purchase_id IS NOT NULL
  GROUP  BY purchase_id
  HAVING Count(DISTINCT event_type) = 2;

Met de tweede query worden alleen de aankoop-id's opgehaald die niet in deze uitgesloten set staan.

SELECT *
FROM   luma_web_data
WHERE  purchase_id NOT IN (SELECT purchase_id
                           FROM   orders_cancelled)
        OR purchase_id IS NULL;

De derde vraag verwijdert alle niet-ordegebeurtenissen uit de dataset.

SELECT *
FROM   luma_web_data
WHERE  event_type = 'order'
       AND purchase_id NOT IN (SELECT purchase_id
                               FROM   orders_cancelled);

Stap 3: Verrijk de gegevens gebruikend de functies van Distiller van Gegevens enrich-the-data

Gebruik vervolgens Data Distiller om klantgegevens te extraheren en te transformeren, RFM-scores te genereren, transacties samen te voegen en klanten te segmenteren door gedrag aan te schaffen. Voer de volgende stappen uit om de waarden voor Recency, Frequency en Monetary (RFM) te berekenen, een publieksmodel op te bouwen en inzichten voor activering voor te bereiden.

De RFM-score berekenen voor elke unieke gebruikersnaam

Als u de RFM-scores wilt berekenen, haalt u sleutelvelden uit de onbewerkte gegevens op met veldfiltering.

De volgende query bouwt verder op de logica van de vorige sectie door e-mail te selecteren als de userid , omdat voor elke bestelling een e-mailaanmelding is vereist. Data Distiller past de functie TO_DATE toe om de tijdstempel om te zetten in een datumnotatie. Het veld total_revenue vertegenwoordigt de prijs van elke transactie en wordt later samengevoegd door deze voor elke userid op te tellen.

SELECT email AS userid,
       purchase_id AS purchaseid,
       price_total AS total_revenue, -- reflects the price for each individual transaction
       TO_DATE(timestamp) AS purchase_date -- converts timestamp to date format
FROM luma_web_data
WHERE event_type = 'order'
      AND purchase_id NOT IN (SELECT purchase_id FROM orders_cancelled)
      AND email IS NOT NULL;

De resultaten lijken op de onderstaande afbeelding.

Daarna, creeer a TABLE om de resultaten van de vorige vraag in een afgeleide dataset op te slaan. Kopieer en plak de volgende opdracht in de Query-editor om een TABLE -opdracht te maken.

CREATE TABLE IF NOT EXISTS order_data AS
  SELECT email              AS userid,
         purchase_id        AS purchaseid,
         price_total        AS total_revenue,
         To_date(timestamp) AS purchase_date
  FROM   luma_web_data
  WHERE  event_type = 'order'
         AND purchase_id NOT IN (SELECT purchase_id FROM orders_cancelled)
         AND email IS NOT NULL;

Het resultaat ziet er ongeveer hetzelfde uit als de volgende afbeelding, maar met een andere id voor de gegevensset.

Als beste praktijken, stel eenvoudig in werking onderzoeken vraag om de gegevens in de dataset te inspecteren. Gebruik de volgende verklaring om uw gegevens te bekijken.

SELECT * FROM order_data;

De transacties samenvoegen om de RFM-waarden te genereren aggregate-transactions

Om de RFM-waarden te berekenen, aggregeert deze query transacties voor elke gebruiker.

De functie DATEDIFF(CURRENT_DATE, MAX(purchase_date)) AS days_since_last_purchase berekent het aantal dagen sinds de meest recente aankoop voor elke gebruiker.

Gebruik de volgende SQL-query:

SELECT
    userid,
    DATEDIFF(CURRENT_DATE, MAX(purchase_date)) AS days_since_last_purchase,
    COUNT(purchaseid) AS orders,
    SUM(total_revenue) AS total_revenue
FROM order_data
GROUP BY userid;

De resultaten lijken op de onderstaande afbeelding.

Om query-efficiëntie en herbruikbaarheid te verbeteren, maakt u een VIEW waarin de samengevoegde RFM-waarden worden opgeslagen.

CREATE VIEW rfm_values
AS
  SELECT userid,
         DATEDIFF(current_date, MAX(purchase_date)) AS days_since_last_purchase,
         COUNT(purchaseid)                          AS orders,
         SUM(total_revenue)                         AS total_revenue
  FROM   order_data
  GROUP BY userid;

Het resultaat lijkt op de volgende afbeelding, maar heeft een andere id.

Nogmaals als beste praktijken, stel eenvoudig in werking onderzoeken vraag om de gegevens in de mening te inspecteren. Gebruik de volgende instructie.

SELECT * FROM rfm_values;

De volgende schermafbeelding toont een voorbeeldresultaat van de query, waarbij de berekende RFM-waarden voor elke gebruiker worden weergegeven. Het resultaat komt overeen met de weergave-id van de query CREATE VIEW .

De multidimensionale RFM-kubus genereren generate-multi-dimensional-cube

Gebruik een multidimensionale RFM-kubus om klanten te segmenteren op basis van hun RFM-scores. De vensterfunctie NTILE sorteert waarden in gerangschikte emmers en verdeelt elke dimensie in vier gelijke groepen (kwartielen), die voor gestructureerde segmentatie toestaan.

Voer de volgende SQL-query uit om de multidimensionale kubus van RFM te genereren:

SELECT userid,
       days_since_last_purchase,
       orders,
       total_revenue,
       5 - NTILE(4)
             OVER (
               ORDER BY days_since_last_purchase DESC) AS recency,
       NTILE(4)
         OVER (
           ORDER BY orders DESC)                       AS frequency,
       NTILE(4)
         OVER (
           ORDER BY total_revenue DESC)                AS monetization
FROM rfm_values;

De resultaten lijken op de onderstaande afbeeldingen.

Gebruik vervolgens de volgende instructie om een VIEW voor deze gegevens te maken.

Het creëren van een VIEW voor de multidimensionale kubus van RFM verbetert efficiency door voorgesegmenteerde gegevens op te slaan, eliminerend de behoefte om de scores van RFM in toekomstige vragen opnieuw te berekenen. Het vereenvoudigt SQL verklaringen, verzekert gegevensconsistentie, en verbetert herbruikbaarheid voor verdere analyse.

CREATE OR replace VIEW rfm_scores
AS
  SELECT userid,
         days_since_last_purchase,
         orders,
         total_revenue,
         5 - NTILE(4)
               over (
                 ORDER BY days_since_last_purchase DESC) AS recency,
         NTILE(4)
           over (
             ORDER BY orders DESC)                       AS frequency,
         NTILE(4)
           over (
             ORDER BY total_revenue DESC)                AS monetization
  FROM   rfm_values;

Het resultaat ziet er ongeveer hetzelfde uit als de volgende afbeelding, maar met een andere weergave-id.

Model-RFM-segmenten model-rfm-segments

Met de berekende RFM-scores kunnen klanten worden ingedeeld in de volgende zes prioritaire segmenten:

Als u toegang en hergebruik wilt stroomlijnen, maakt u een VIEW waarin de RFM-segmenten, -scores en -waarden worden opgeslagen.

De CASE -instructies in de volgende SQL categoriseren klanten in segmenten op basis van hun RFM-scores en wijzen de resultaten toe aan de RFM_Model -variabele.

CREATE OR replace VIEW rfm_model_segment
AS
  SELECT userid,
         days_since_last_purchase,
         orders,
         total_revenue,
         recency,
         frequency,
         monetization,
         CASE
           WHEN recency = 1
                AND frequency = 1
                AND monetization = 1 THEN '1. Core - Your Best Customers'
           WHEN recency IN( 1, 2, 3, 4 )
                AND frequency = 1
                AND monetization IN ( 1, 2, 3, 4 ) THEN
           '2. Loyal - Your Most Loyal Customers'
           WHEN recency IN( 1, 2, 3, 4 )
                AND frequency IN ( 1, 2, 3, 4 )
                AND monetization = 1 THEN
           '3. Whales - Your Highest Paying Customers'
           WHEN recency IN( 1, 2, 3, 4 )
                AND frequency IN ( 1, 2, 3 )
                AND monetization IN( 2, 3, 4 ) THEN
           '4. Promising - Faithful customers'
           WHEN recency = 1
                AND frequency = 4
                AND monetization IN ( 1, 2, 3, 4 ) THEN
           '5. Rookies - Your Newest Customers'
           WHEN recency IN ( 2, 3, 4 )
                AND frequency = 4
                AND monetization IN ( 1, 2, 3, 4 ) THEN
           '6. Slipping - Once Loyal, Now Gone'
         END RFM_Model
  FROM   rfm_scores;

De gegenereerde VIEW volgt dezelfde structuur als vorige ontwerpen, maar met een andere id.

Als beste praktijken, stel een eenvoudige onderzoek vraag in werking om de gegevens in de mening te inspecteren. Gebruik de volgende instructie.

SELECT * FROM rfm_model_segment;

In de volgende schermafbeeldingen wordt een voorbeeldresultaat van de query SELECT * FROM rfm_model_segment; weergegeven met de gesegmenteerde RFM-modelgegevens. De uitvoer weerspiegelt de structuur van de gegenereerde VIEW , inclusief toegewezen klantsegmenten op basis van RFM-scores.

Stap 4: Gebruik SQL om RFM-gegevens in real-time klantprofiel te plaatsen sql-batch-ingest-rfm-data

Daarna, partij neemt RFM-Verrijkte klantengegevens in het Profiel van de Klant in real time op. Begin door een profiel-Toegelaten dataset te creëren en de getransformeerde gegevens op te nemen gebruikend SQL.

Een afgeleide gegevensset maken om RFM-kenmerken op te slaan create-a-derived-dataset

Aangezien deze dataset in de Opslag van het Profiel zal worden opgenomen, vereist het een verdelingssleutel.

Maak een lege dataset om RFM-kenmerken op te slaan en een primaire identiteit toe te wijzen.

In deze SQL-instructie:

Aangezien de Redacteur van de Vraag opeenvolgende uitvoering steunt, kunt u de lijstverwezenlijking en de vragen van de gegevenstoevoeging in één enkele zitting omvatten. In de volgende SQL-instructie wordt eerst een tabel gemaakt waarin Profiel is ingeschakeld en waarin de RFM-kenmerken worden opgeslagen. Vervolgens worden door RFM verrijkte klantgegevens uit rfm_model_segment ingevoegd in de adls_rfm_profile -tabel, waarbij elke record wordt gerangschikt onder de naamruimte die specifiek is voor de gebruiker in realtime.

Aangezien de Redacteur van de Vraag opeenvolgende uitvoering steunt, kunt u de lijstverwezenlijking en de vragen van de gegevenstoevoeging in één enkele zitting in werking stellen. In de volgende SQL-instructie wordt eerst een tabel gemaakt waarin Profiel is ingeschakeld en waarin de RFM-kenmerken worden opgeslagen. Daarna, neemt het RFM-Verrijkte klantengegevens van rfm_model_segment in de adls_rfm_profile lijst op, die ervoor zorgt dat elk verslag behoorlijk onder uw huurdersspecifieke namespace (_{TENANT_ID}) wordt gestructureerd. Deze naamruimte is essentieel voor opname in realtime van het klantprofiel en voor nauwkeurige identiteitsresolutie.

CREATE TABLE IF NOT EXISTS adls_rfm_profile (
    userId TEXT PRIMARY IDENTITY NAMESPACE 'Email',
    days_since_last_purchase INTEGER,
    orders INTEGER,
    total_revenue DECIMAL(18, 2),
    recency INTEGER,
    frequency INTEGER,
    monetization INTEGER,
    rfm_model TEXT
) WITH (LABEL = 'PROFILE');

INSERT INTO adls_rfm_profile
SELECT STRUCT(userId, days_since_last_purchase, orders, total_revenue, recency,
              frequency, monetization, rfm_model) _{TENANT_ID}
FROM rfm_model_segment;

Het resultaat van deze vraag lijkt op vorige dataset creaties in dit playbook maar met verschillende identiteitskaart

Nadat u de gegevensset hebt gemaakt, navigeert u naar Datasets > Browse > adls_rfm_profile om te controleren of de gegevensset leeg is.

U kunt ook naar Schemas > Browse > adls_rfm_profile navigeren om het XDM-diagram Individueel profielschema van uw zojuist gemaakte gegevensset en de bijbehorende aangepaste veldgroepen weer te geven.

Gegevens invoegen in de nieuw gemaakte afgeleide dataset insert-data-into-derived-dataset

Voeg vervolgens de gegevens van de rfm_model_segment VIEW in adls_rfm_profile in, die is ingeschakeld voor Real-Time Klantprofiel.

Zorg ervoor dat de veldvolgorde in de SELECT -query van de INSERT -instructie exact overeenkomt met de structuur van rfm_model_segment . Deze uitlijning zorgt ervoor dat waarden uit rfm_model_segment correct worden ingevoegd in de corresponderende velden in de doeltabel. Onjuiste uitlijning tussen bron- en doelvelden kan leiden tot gegevensafwijkingen.

INSERT INTO adls_rfm_profile
SELECT Struct(userid, days_since_last_purchase, orders, total_revenue, recency,
              frequency, monetization, rfm_model) _{TENANT_ID}
FROM   rfm_model_segment;

Zodra volledig, toont de vraagoutput "Vraag volledig"in de console.

Stap 5: Plan de query voor batchverwerking schedule-the-query

Nu uw SQL code een afgeleide dataset produceert en het voor het Profiel van de Klant in real time toelaat, moet de volgende stap updates automatiseren door de vraag te plannen om met specifieke intervallen te lopen. Door automatische datasetupdates, elimineert u de behoefte aan handuitvoering.

De uitvoering van de query plannen

Nadat u de SQL-instructies hebt opgeslagen, navigeert u naar het tabblad Templates om de opgeslagen query weer te geven en het planningsproces te starten. Er zijn twee manieren om een vraag te plannen:

Selecteer Add Schedule in de rechterzijbalk.

U kunt ook het tabblad Schedules onder de sjabloonnaam selecteren en vervolgens Add Schedule selecteren.

Voor meer details bij het plannen van vragen, verwijs naar de ​ documentatie van de Planningen van de Vraag ​.

De weergave Schedule details wordt weergegeven. Van hier, input de volgende details om het programma te vormen:

Selecteer Save om het schema te bevestigen.

Nadat u het schema hebt opgeslagen, kunt u naar het Scheduled Queries lusje op om het even welk punt navigeren om geplande banen van Gegevens Distiller te controleren. Voor meer details bij ​ het bekijken van de status van de vraaguitvoering, foutenmeldingen, en alarm ​, zie het document van de monitor geplande vragen.

Zodra gevormd, de SQL vraaglooppas automatisch bij de bepaalde intervallen, die ervoor zorgen dat de gegevens bijgewerkt blijven zonder handinterventie te vereisen.

Stap 6: Een op RFM gebaseerd publiek maken en activeren

Deze zelfstudie bevat twee methoden om een op RFM gebaseerd publiek te maken en te activeren.

Kies de benadering die het beste bij uw werkstroom past.

Oplossing 1: SQL-publiek via Data Distiller data-distiller-sql-audience

Gebruik de opdracht CREATE AUDIENCE AS SELECT om een nieuw publiek te definiëren. Het gemaakte publiek wordt opgeslagen in een gegevensset en geregistreerd in de Audiences -werkruimte onder Data Distiller .

Soorten publiek dat is gemaakt met de SQL-extensie, worden automatisch geregistreerd onder de oorsprong Data Distiller in de werkruimte van Audiences . Van ​ Portaal van het Publiek ​, kunt u, uw publiek bekijken beheren en activeren zoals nodig.

Voor meer details op SQL publiek, verwijs naar de ​ documentatie van het publiek van Gegevens Distiller ​. Leren hoe te om publiek in UI te beheren, zie het ​ Poortoverzicht van het publiek Poorten ​.

Een publiek maken create-an-audience

Als u een publiek wilt maken, gebruikt u de volgende SQL-opdrachten:

-- Define an audience for best customers based on RFM scores
CREATE AUDIENCE rfm_best_customer
WITH (
    primary_identity = _{TENANT_ID}.userId,
    identity_namespace = queryService
) AS (
    SELECT * FROM adls_rfm_profile
    WHERE _{TENANT_ID}.recency = 1
        AND _{TENANT_ID}.frequency = 1
        AND _{TENANT_ID}.monetization = 1
);

-- Define an audience that includes all customers
CREATE AUDIENCE rfm_all_customer
WITH (
    primary_identity = _{TENANT_ID}.userId,
    identity_namespace = queryService
) AS (
    SELECT * FROM adls_rfm_profile
);

-- Define an audience for core customers based on email identity
CREATE AUDIENCE rfm_core_customer
WITH (
    primary_identity = _{TENANT_ID}.userId,
    identity_namespace = Email
) AS (
    SELECT * FROM adls_rfm_profile
    WHERE _{TENANT_ID}.recency = 1
        AND _{TENANT_ID}.frequency = 1
        AND _{TENANT_ID}.monetization = 1
);

Een lege publieksgegevensset maken create-empty-audience-dataset

Alvorens profielen toe te voegen, creeer een lege dataset om publieksverslagen op te slaan.

-- Create an empty audience dataset
CREATE AUDIENCE adls_rfm_audience
WITH (
    primary_identity = userId,
    identity_namespace = Email
) AS
SELECT
    CAST(NULL AS STRING) userId,
    CAST(NULL AS INTEGER) days_since_last_purchase,
    CAST(NULL AS INTEGER) orders,
    CAST(NULL AS DECIMAL(18,2)) total_revenue,
    CAST(NULL AS INTEGER) recency,
    CAST(NULL AS INTEGER) frequency,
    CAST(NULL AS INTEGER) monetization,
    CAST(NULL AS STRING) rfm_model
WHERE FALSE;

Profielen invoegen in een bestaand publiek insert-an-audience

Als u profielen wilt toevoegen aan een bestaand publiek, gebruikt u de opdracht INSERT INTO. Dit staat u toe om individuele profielen of volledige publiekssegmenten aan een bestaande publieksdataset toe te voegen.

-- Insert profiles into the audience dataset
INSERT INTO AUDIENCE adls_rfm_audience
SELECT
    _{TENANT_ID}.userId,
    _{TENANT_ID}.days_since_last_purchase,
    _{TENANT_ID}.orders,
    _{TENANT_ID}.total_revenue,
    _{TENANT_ID}.recency,
    _{TENANT_ID}.frequency,
    _{TENANT_ID}.monetization
FROM adls_rfm_profile
WHERE _{TENANT_ID}.rfm_model = '6. Slipping - Once Loyal, Now Gone';

Een publiek verwijderen delete-an-audience

Om een bestaand publiek te schrappen, gebruik het bevel van het PUBLIEK DROP. Als het publiek niet bestaat, komt een uitzondering voor tenzij IF EXISTS wordt gespecificeerd.

DROP AUDIENCE IF EXISTS adls_rfm_audience;

Oplossing 2: een publiek met RFM-kenmerken maken create-audience-with-rfm-attributes

Gebruik RFM-kenmerken om gebruikers te segmenteren op basis van hun gedrag en kenmerken. In deze sectie wordt u door de gebruikersinterface van Adobe Experience Platform geleid om een publiek te definiëren met behulp van RFM-scores.

Navigeer naar Customers> Profiles >Browse om te controleren of de gegevens zijn geladen in Real-Time klantprofiel. Selecteer Identity Namespace als Email en voer user0076@example.com in. Controleer de profieldetails om te bevestigen dat het de verwachte attributen van RFM bevat.

Als u door bestaande doelgroepen wilt bladeren, selecteert u Audiences in het navigatievenster aan de linkerkant en zorgt u ervoor dat het tabblad Browse is geselecteerd. De lijst met beschikbare soorten publiek in de sandbox wordt weergegeven. Als u een publiek selecteert, worden de beschrijving, de kwalificatieregels en het aantal opgenomen profielen weergegeven.

Als u een nieuw publiek wilt maken, selecteert u Create Audience in de rechterbovenhoek. Er wordt een dialoogvenster weergegeven met twee opties. Selecteer Build Rule gevolgd door Create .

De interface voor publiekscompositie biedt toegang tot profielkenmerken. Navigeer naar Attributes>XDM Individual Profile om de beschikbare kenmerken weer te geven.

Voor meer details bij het gebruiken van de Samenstelling van het Publiek, zie de ​ gids UI van de Samenstelling van het Publiek ​. Voor meer details bij het gebruiken van de Bouwer van het Segment, zie de ​ gids UI van de Bouwer van het Segment ​.

Aangepaste kenmerken die in Data Distiller zijn gemaakt, worden opgeslagen in de map die overeenkomt met de naam van de naamruimte voor de huurder, die naast de naam van de sandbox wordt weergegeven. Deze attributen kunnen worden gebruikt om de criteria van de publiekssegmentatie te bepalen.

Als u een publiek wilt maken met gebruik van RFM-kenmerken, sleept u het kenmerk Rfm_Model naar de Audience Composer. Deze kenmerken kunnen worden gebruikt voor Edge, Streaming en Batch-soorten.

Als u het publiek wilt voltooien, selecteert u Save and Publish in de rechterbovenhoek. Na het opslaan wordt het nieuwe publiek weergegeven in de Audiences -werkruimte, waar u het overzicht en de kwalificatiecriteria kunt bekijken.

Gebruik de Bouwer van het Segment om tot de afgeleide attributen toegang te hebben RFM en extra publiek te ontwerpen. Activeer het nieuwe SQL-publiek op basis van RFM-scores en stuur het naar een van de aangewezen doelen, waaronder Adobe Journey Optimizer.